科研产出
不同初加工小粒咖啡生豆判别及可溶性固形物含量预测
《食品工业科技 》 2025 北大核心 CSCD
摘要：为探究不同初加工小粒咖啡生豆判别方法及预测其可溶性固形物(Soluble solids content,SSC)含量,利用手持式折光仪和傅里叶红外光谱仪(Fourier transform infrared spectroscopy,FT-IR)对水洗、日晒及蜜处理三种不同初加工小粒咖啡生豆进行检测,并建立了判别方法和SSC回归预测模型.结果表明,蜜处理咖啡豆SSC含量最高,为4.86%.二维相关光谱(Two-dimensional correlation spectroscopy,2D-COS)能准确识别不同样品间的光谱特征的差异.采用多元统计分析处理SG平滑(Savitzky-Golay smoothing,SG)、均值归一化(Normalization method,NM)、去趋势化(De-trend,DT)、多元散射校正(Multiple scattering correction,MSC)4 种预处理方式FT-IR光谱数据可以实现对不同初加工样本的准确判别.进一步使用主成分回归(Principal component regression,PCR)、偏最小二乘回归(Partial least squares regression,PL SR)、支持向量机回归(Support vector regression,SVR)3种机器学习模型实现了对三种不同初加工咖啡生豆SSC的预测,其中原始数据-PCR模型组合预测效果最好R2c为0.67,R2p为0.64.本研究为不同初加工方式咖啡豆品质评价、优选、提升及完善咖啡产业体系提供了前期基础.
关键词： 初加工 咖啡生豆 傅里叶变换近红外光谱 可溶性固形物 化学计量学 预测
全文链接
请求原文
基于FT-NIR技术结合化学计量学方法快速准确鉴别天麻不同栽培品种
《分析测试学报 》 2025 北大核心 CSCD
摘要：采用傅里叶变换近红外光谱（FT-NIR）与二维相关光谱（2DCOS）技术，结合化学计量学方法和深度学习算法，分别构建了偏最小二乘判别分析（PLS-DA）模型和残差卷积神经网络（ResNet）模型，快速准确鉴别了3种栽培品种天麻（Gastrodia elata Blum）样本（共计447份）。结果表明：FT-NIR数据经一阶导数（1st Der）和多元散射校正（MSC）组合预处理后建立的PLS-DA模型综合性能最好（准确率99.00%）。同时，基于FT-NIR同步2DCOS图像结合ResNet模型的鉴别方法，无需筛选最佳预处理和进行复杂的数据转换，即可实现对不同栽培品种天麻的快速精确鉴别（准确率100.00%）。该研究为鉴别不同栽培品种的天麻提供了一种快速、准确的新方法，可为天麻种质资源研究与新品种选育进一步奠定基础。
关键词： 傅里叶变换近红外光谱 化学计量学 机器学习 天麻 栽培品种
全文链接
请求原文
首页上一页1下一页尾页
